.. ,

6

Inteligencia artificial

¿Es posible construir y configurar una máquina pura­mente física de modo tal que posea inteligencia verdadera? La creencia del programa de investigación denominado "inteli­gencia artificial" ("lA") es que es posible y la meta de este programa es realizarla. En este capítulo se tratará sobre qué abarca el programa y por qué son optimistas sus realizadores. También se analizarán algunos de los problemas que plantea.

Las esperanzadas tentativas hacia la conducta de la inte­ligencia artificial tienen una larga historia. En la segunda mitad del siglo de Descartes, el matemático y filósofo alemán Gottfried Leibniz construyó una máquina que podía sumar y restar mediante cilindros rotativos interconectados. También afirmaba que existía la posibilidad de lograr un lenguaje per­fectamente lógico en el que todo el pensamiento se reduciría a cálculos solamente. No tenía una idea muy clara de este len­guaje pero, como veremos, la idea fue profética.

En el siglo siguiente, un pensador fisiológico llamado Julien de la Mettrie también estaba impresionado por el me­canismo del cuerpo humano y por la idea de que la actividad "vital" no surgía de un principio intrínseco de la materia, ni de alguna sustancia no material, sino de la estructura física y de la organización funcional resultante que la materia podía te­ner. Pero mientras que Descartes no osó llegar a la conclusión que esto indicaba, de la Mettrie siguió adelante. Dijo que no sólo derivan de la organización física de la materia nuestras

148

actividades "vitales", sino también todas nuestras actividades mentales.

Su libro, El hombre, una máquina, fue ampliamente di­famado pero, una vez liberadas, estas ideas ya no pudieron ser

. acalladas. El contemporáneo de de la Mettrie, Jacques de Vaucanson, diseñó y construyó varias estatuas muy bonitas que parecían vivas cuyo funcionamiento interno mecánico y neumático producía una variedad de conductas simples. Un pato enchapado en cobre hacía una convincente demostración de beber, comer, graznar y chapotear en el agua. Y se dice que una estatua de figura humana de tamaño real tocaba la flauta de un modo muy creíble. Si bien estos limitados autómatas no impresionarían probablemente en la actualidad, no hay duda de que su repentino funcionamiento dio un duradero susto al ingenuo observador del siglo XVIII.

En el siglo pasado el matemático de Cambridge, Charles Babbage, se ocupó de capacidades mentales más específicas, al diseñar cuidadosamente un motor anaUtico capaz de todas las operaciones lógicas y aritméticas elementales, y con sus prin­cipios anticipó el ordenador digital moderno. Sin embargo, Babbage aún estaba limitado a máquinas puramente mecáni­cas y, aunque su detallado diseño sin duda habría funcionado si se hubiera construido, nunca se realizó debido a su gran complejidad mecánica.

La complejidad que involucra toda actividad inteligente constituyó una barrera permanente para la fácil simulación mediante dispositivos mecánicos, una barrera que, desde Babbage, la tecnología t¡¡rdó un siglo en sortear. Sin embar­go, el tiempo transcurrido no fue en vano. En el terreno abstracto se logró un progreso fundamental: en la compren­sión de la lógica de las proposiciones, la lógica de clases y la estructura lógica de la geometría, aritmética y álgebra. Lle­gamos a apreciar el concepto abstracto de un sistema formal, del cual son ejemplos los sistemas mencionados. Un sistema formal consiste en: 1) un conjunto de fórmulas, y 2) un con­junto de reglas de transformación para manejarlas. Las fór­mulas se obtienen juntando, según reglas específicas de for­mación, varios ítems de una reserva básica de elementos. Las

149

reglas de transformación se ocupan de la estructura formal de cualquier fórmula dada (= el patrón según el cual se combinan sus elementos), y su función es sólo transformar una fórmula en otra.

En el caso del álgebra elemental, los elementos básicos , dI 1 ·bl ·"·b"·" "("")" son los numeros e O al 9, as vana es a, ,c , ... , , ,

"=", "+", "-", uf' y "x". Las fórmulas son términos, tales como "(12 - 4)12" o ecuaciones, tales como "x = (12 - 4)12". Una se­cuencia de transformaciones podría ser:

x = (12 - 4)12 x = 8J2 x=4

Conocemos estas reglas de transformación así como tam­bién lo que se puede hacer con ellas. Por lo tanto ya poseemos un control consciente de por lo menos un sistema formal. Y dado que podemos pensar, además tenemos también por lo menos algún control tácito de la lógica general de las proposi­ciones, que es otro sistema formal.

Hay infinitos sistemas formales posibles, la mayoría de ellos triviales y carentes de interés. Pero muchos de ellos son extraordinariamente poderosos, como lo demostrarán los ejemplos de lógica y matemática. Lo que es más interesante desde el punto de vista de la lA es que en principio cualquier sistema formal puede automatizarse. Es decir, que los ele­mentos y operaciones de cualquier sistema formal siempre son de una clase que un dispositivo ffsico correctamente cons­truido podrÚl formular y manejar por sí mismo. Por supuesto, la construcción de una máquina adecuada puede resultar im­posible por razones de escala o tiempo o tecnología. Pero en la segunda mitad de este siglo, los avances en electrónica hicie­ron posible la construcción del ordenador digital de alta velo­cidadpara todo propósito. Estas máquinas han permitido la automatización de sistemas formales muy poderosos y conse­cuentemente capaces de formas de cálculo muy poderosas. La barrera que frustró a Babbage ha sido destruida.

150

1. Ordenadores: algunos conceptos elementales

Hardware (equipos)

El término "hardware" se refiere al ordenador físico mis­mo y a los dispositivos periféricos, como el teclado para la entrada, los monitores y las impresoras para la salida, y las cintasldisquettesltambores de memoria "pasiva" o externa para ambos (figura 6.1). Contrasta con el término "software", que significa una secuencia de instrucciones que le dicen al hardware qué hacer.

El ordenador propiamente dicho se compone de dos ele­mentos principales: la unidad central de procesamiento (UCP) y la memoria activa, que generalmente es del tipo de acceso aleatorio (AA). Esta última expresi6n significa que los ele­mentos que almacenan informaci6n en la memoria están dis­puestos en una grilla electr6nica, de modo que cada elemento o "registro" tiene una única "dirección" a la que se accede directamente por la unidad central de procesamiento. Esto permite que la UCP encuentre lo que hay en cualquier regis­tro inmediatamente, sin buscar laboriosamente por toda la secuencia de muchos miles de registros para encontrar lo que se necesita. A su vez, la UCP también puede colocar informa­ción directamente en un registro específico. Tiene acceso libre y directo a cualquier elemento de una memoria activa de esta clase. De ahí que se llame "memoria de acceso aleatorio" o "MAA". La memoria sirve como "bloc borrador" o "espacio de trabajo" para la UCP y también guarda las instrucciones o el programa que ponemos para decirle a la UCP qué hacer es­pecíficamente.

151

it.., .. ::.~~~,d~'7 /} F liL"((U (O

Memoria pasiva: 1-

cintas/disquettes

Figura 6.1

Ordenador

propiamente dicho

;---

UCP

TI Memoria

activa

[Monioor J

I 7

~ Impresora F

La unidad central de procesamiento es el corazón funcio­nal del sistema. Es la que maneja las diversas fórmulas con que fue alimentada; toma y ejecuta las reglas básicas de transformación de la máquina. La informática o el procesa­miento de datos consiste en la transformación según determi­nadas reglas de unas fórmulas en otras, y éste es el trabajo de la UCP.

Exactamente, ¿qué fórmulas maneja la UCP y cómo las transforma? .El sistema formal que maneja el ordenador co­mún es excesivamente austero. 8ólo tiene dos elementos bá­sicos -podemos llamarlos" 1" Y "ct' - a partir de los cuales deben construirse todas las fórmulas. Este se denomina códi­go de la máquina o lenguaje de la máquina, y cualquier fór­mula en este lenguaje es una sucesión finita de unos y ceros. Estos se representan en la máquina misma como un estado cargado o no de cada elemento en la memoria activa y como un pulso o no pulso en los diversos senderos de la UCP.

En la UCP se construye o conecta una gran cantidad de diminutos elementos llamados compuertas lógicas que tienen un 1 o un O en cada puerta de entrada y dan un 1 o un O como salida, donde la salida dada está estrictamente determinada por la naturaleza de la compuerta y los elementos de la infor­mación de entrada. Al utilizar bancos enteros de compuertas lógicas, sucesiones enteras de unos y ceros pueden transfor-

152

marse en nuevas sucesiones de unos y ceros ordenados de otra manera, según cómo y dónde se ingresen en la UCP. Aquí es donde ocurren las transformaciones según reglas determina· das.

Lo curioso de este tedioso manejo de fórmulas -además de la sorprendente velocidad con que se realiza: más de un millón de transformaciones por segundo- es que algunas de las sucesiones pueden interpretarse sistemáticamente como la representación de números comunes y algunas subunidad~s de la UCP pueden interpretarse como sumadores, multI­plicadores, divisores y demás. Cualquier número puede ex­presarse en sistema binario, y no en nuestro conocido siste­ma decimal. Es decir que pueden expresarse como sucesiones de unos y ceros. 1 y cuando es así, las sucesiones 8 1 y 82 de en­trada y la de salida 83, de una determinada subuni~ad de la UCP siempre están relacionadas de modo que, conSIderadas como números y no sólo como sucesiones no interpretadas, 83

siempre es igual a 8 1 + 8 2• Aquella subunidad -un conj~nto de compuertas lógicas correctamente conectadas- funCIOna como un sumador. Otras subunidades realizan las otras fun­ciones aritméticas básicas.

Análogamente, podemos utilizar el lenguaje de la máqui­na para codificar fórmulas de la lógica proposicional. (éstas representan oraciones en el lenguaje natural) y determmadas subunidades de la UCP procesarán aquellas sub unidades de modo que la sucesión de salida siempre represente otra fór­mula, una que es la conjunción lógica de aquellas representa­das por las sucesiones de entrada o su disyunción o negación o condicionamiento. Del mis·mo modo, las sucesiones de entrada

1. En la notación decimal, las columnas, comenzando por la derecha, van de O a 9, y si un número es mayor de 10 que la última columna de la derecha puede representar, pasa a la sig~iente ~olurnna, que va de O ~ ,9, simbolizando las decenas esta vez. Y aSI sucesIvamente. En la notaclOn binaria, la última columna de la derecha va sólo de O a 1 y entonces pasa a la siguiente columna, que también va de O a 1, simbolizando pares esta ~ez. Pasa a la tercera columna, simbolizando cuatro números.Y así suceSIva· mente. Por ejemplo, en la notación binaria, el conocido "1 + 2 = 3" es"l + 10 = 11"; y"4 + 5 = 9" es "lOO + 101 = 1001".

153

que representan oraciones arbitrarias (enunciados "si-enton­ces", por ejemplo) pueden procesarse de tal manera que la sucesión de salida represente un veredicto concerniente a la validez de la verdad funcional de la oración original.

Las UCP se construyen con un control de todas las opera­ciones lógicas y aritméticas básicas y pueden manejarse infi­nitamente muchas más operaciones combinando las elemen­tales con más complejas, y combinando éstas a su vez entre sí, como cuando escribimos programas. Evidentemente, este aburrido manejo de sucesiones de unos y ceros puede conver­tirseen ciertas formas de actividad informática muy emocio­nantes, poderosas en profundidad y complejidad, como tam­bién en velocidad.

Software (programas)

La actividad informática de la UCP puede ser controlada, y el término "software" se refiere a la secuencia de instruccio­nes o programa que ejerce dicho control. Un programa se car­ga en la memoria activa del ordenador, donde la UCP lee y ejecuta en secuencia cada una de las instrucciones. El pro­grama indica a la UCP qué sucesiones de entrada debe proce­sar y de qué modo, dónde y cuándo almacenar los resultados en la memoria, cuándo devolverlos, mostrarlos, imprimirlos y demás.

Por consiguiente, un programa específico convierte al ordenador en una máquina de "propósitos especiales". Y dado que hay una cantidad potencialmente infinita de programas diferentes, podemos hacer que el ordenador se comporte como una cantidad potencialmente infinita de máquinas de "propó­sitos especíales". Esta es una de las razones por las que los ordenadores aquí descriptos se denominan máquinas de "pro­pósitos generales". Y hay una razón más profunda, que vere­mos a continuación.

En el nivel más básico, un programa de instrucciones debe ingresarse en la UCP en el lenguaje de la máquina, como sucesiones de unos y ceros, pues ése es el único lenguaje que

154

entiende la UCP (= es el único sistema formal que la UCP puede manejar). Pero el lenguaje de la máquina es un len­guaje muy difícil y opaco para que lo utilicen los seres huma­nos. Las sucesiones que representan números específicos, ecuaciones y proposiciones, y las que representan instruccio­nes para realizar operaciones lógicas y aritméticas, parecen iguales para todos los programadores menos para el más sofisticado, como sucesiones que no representan nada: una jerga uniforme de unos y ceros. Evidentemente, sería mejor si pudiéramos traducir el lenguaje de la máquina a un lenguaje más accesible para el ser humano.

Sin duda, esto puede hacerse y, como la traducción es un caso de transformación de una clase de fórmula en otra, y como un ordenador es un dispositivo de transformación por excelencia, incluso podemos hacer que él haga el trabajo por nosotros. El primer paso es construir el teclado de entrada de modo tal que al ser oprimido cada uno de los caracteres cono­cidos, sea enviado al ordenador codificado como una sucesión única de ocho unos y ceros. Esta codificación preliminar gene­ralmente es un ejemplo del código ASCII (American Standard Code for Information Interchange). Entonces, secuencias de caracteres, como "SUMAR 7,5", al menos pueden representarse en el vocabulario del lenguaje de la máquina. El próximo paso es cargar el ordenador con un programa (laboriosamente es­crito en lenguaje de la máquina, pero el trabajo debe hacerse una sola vez) para transformar estas secuencias en secuencias del lenguaje de la máquina que, por ejemplo, realmente indi­can a la UCP que sume el equivalente binario de 7 y el de 5. El mismo programa puede transformar la salida resultante (1100) nuevamente en el código ASCII (00110001,00110010), y la impresora codificada en ASCII, al recibir el resultado, impri­mirá la secuencia deseada de números o letras conocidas, en este caso "12".

Este programa se llama intérprete o compilador o ensamblador y el lector notará que esta estrategia puede' lograr no sólo una interacción más "amistosa" entre hombre y máquina, sino también una gran economía de expresión. Una expresión como "PROMEDIO xl' x., ... , Xn" puede transformarse

155

(primero en ASCII y luego) en una larga sucesión en el lenguaje de la máquina que combina una cantidad de operaciones bá­sicas diferentes como sumas o divisiones. Entonces, una ins­trucción en el nivel más alto del lenguaje produce la ejecución de una gran cantidad de instrucciones en el lenguaje de la máquina. Estos lenguajes de nivel más alto se denominan lenguajes de programación y son lo más cercano a la austera notación del lenguaje de máquina que puede obtener la ma­yoría de los programadores.

Es evidente que, una vez cargado con un intérprete para permitir el uso de un lenguaje de programación de nivel más alto, el ordenador maneja-las fórmulas de un nuevo sistema formal, algunas de cuyas transformaciones "básicas" son más sofisticadas que las que aparecen en el sistema formal del lenguaje de la máquina. Ahora nuestro primer ordenador si­mula ser un ordenador diferente, uno construido para mane­jar sucesiones en el lenguaje de programación. En lo que con­cierne a la persona que utiliza este "nuevo" ordenador, el "nuevo" lenguaje es el del ordenador. Por esta razón el ordena­dor más el intérprete se denomina a menudo "la máquina virtual".

Todo esto significa que un sistema de procesamiento de datos, programado de otro modo, puede simular muchos sis­temas muy diferentes de procesamiento de datos. Esto indica que un ordenador correctamente programado podría simular los sistemas nerviosos de los seres vivos. Algunos resultados en la teoría abstracta de la informática brindan un fuerte sustento a esta idea. Si un ordenador dado satisface determi­nadas condiciones funcionales, entonces es un ejemplo de lo que los teóricos denominan una máquina universal Turing (llamada así por el pionero en teoría de la informática Alan M. Turing). Lo interesante acerca de una máquina universal Turing es que, para cualquier procedimiento computacional bien definido, una máquina universal Turing es capaz de

- simular una máquina que realizará dicho procedimiento. Hace esto reproduciendo exactamente la conducta de entrada! salida de la máquina que se simula. Y el hecho emocionante es que el ordenador moderno es una máquina universal Turing.

156

(Un requisito: los ordenadores verdaderos carecen de memo­rias ilimitadas. Pero la memoria siempre se puede ampliar para satisfacer la demanda.) Este es el sentido profundo, al que se aludió anteriormente, en el que los ordenadores digitales modernos son máquinas de "propósitos generales".

Por lo tanto, la pregunta que debe responder el programa de investigación de lA no es si ordenadores correctamente programados pueden simular la conducta permanente produ­cida por los procedimientos computacionales que se encuen­tran en los animales, incluyendo los que se encuentran en el ser humano. Generalmente, se considera que esta pregunta ya está respondida. En principio, al menos, pueden. La pre­gunta importante es si las actividades que constituyen la inteligencia consciente son todos procedimientos computa­cionales de alguna clase. El supuesto rector de la lA es que lo son, y su meta es hacer programas verdaderos que lo simulen.

Es por ello que la gran mayoría de perSonas que trabajan en IA se han ocupado de escribir programas en lugar de cons­truir formas cada vez más nuevas de equipos de informática. Ya existe la máquina de propósitos generales y puede ser programada para simular cualquier clase específica de procesador de datos que deseemos. Frente a esto, entonces, el modo más prometedor de enfocar la simulación de procesos cognitivos parecería ser a través de programas diseñados con astucia y cargados en máquinas de propósitos generales. En el siguiente apartado analizaremos algunos de los resultados de este fructífero método.

Lecturas complementarias

Weizenbaum. Joseph, Computer Power and Human Reoson. San Francisco, Freeman, 1976; véanse especialmente los capítulos 2 y 3,

Raphael, Bertram. The Thinking Computer: Mind inside Matter, San Francisco. Freeman, 1976,

Newell. Alan y Siman, Herbert, "Computer Science as Empírical Inquiry: Symbols and Search", en Mínd Design, J, Haugeland (comp.), Montgomery, VT, Bradrord. 1981; Cambridge, MA, MIT Pre ...

157

2. Programación de la inteligencia: método gradual

Un método ingenuo para la programación de inteligencia supondría que lo que se necesita es que algún genio programa­dor, en alguna ocasión especialmente inspirada, pase la noche creando furiosamente y aparezca a la mañana siguiente con El secreto, en forma de programa, que al ser colocado en la máquina más cercana disponible, produzca otra conciencia como usted o yo. Aunque suena atrayente, es cosa de histo­rietas. Es ingenuo al suponer que hay un solo fenómeno uni­forme que debe capturarse, y también al suponer que hay una sola esencia oculta responsable de ello.

Hasta una mirada informal al reino animal revelaría que la inteligencia se encuentra en miles de grados diferentes y que en diferentes criaturas está constituida por diferentes habili­dades, intereses y estrategias, que reflejan todas ellas diferen­cias en su construcción fisiológica e historia evolutiva. Para tomar un ejemplo popular, en muchos de sus aspectos, la inte­ligencia de un delfín debe diferir sustancialmente de la del ser humano. Para la información de salida el delfín no tiene brazos, manos ni dedos para una manipulación complicada; tampoco necesita mantenerse en una posición vertical inestable en un campo gravitacional permanente. Por lo tanto, no necesita los mecanismos específicos de control que, en un hombre, admi­nistran estos asuntos vitales. Para la información de entrada,

. el principal sentido del delfin es la ecolocalización sonar, que constituye una ventana al mundo muy diferente de la de la visión. Aun así, el delfín tiene mecanismos de procesamiento que hacen que el sonar sea comparable a la visión en su poten­cia total. Por ejemplo, .el sonar no distingue los colores; por otro lado revela al delfín la estructura interna de los cuerpos capta­dos, ya que todo es "transparente" al sonido en cierto grado. Sin embargo, el filtrado de tal información a partir de ecos comple­jos constituye para el cerebro del delfín problemas diferentes de los que enfrenta la corteza visual humana y sin duda el delfín tiene mecanismos cerebrales especiales o procedimientos neurales para resolverlos rutinariamente.

158

Estas diferencias principales en el procesamiento de en­trada/salida pueden abarcar otras diferencias en niveles más profundos, y podemos comenzar a apreciar que la inteligencia de cada clase de criatura es probablemente única para aquella especie. Y lo que la hace única es la mezcla específica de mecanismos de procesamiento de datos para propósitos espe­ciales que la evolución ha urdido dentro de ellos. Esto nos ayuda a apreciar que nuestra propia inteligencia debe ser como una cuerda de muchos cabos. Por lo tanto, para simu­larla tendremos que tejer juntas las hebras similares en for­mas similares. Y hacer esto requerirá que primero construya­mos las hebras. Por esta razón, los investigadores en IA ge­neralmente separaron un aspecto de la inteligencia para luego concentrarse en simular ese aspecto. En cuanto a estrategia, los problemas de integración pueden dejarse de lado tempora­riamente.

Conducta intencional y resolución de problemas

Este amplio título abarca muchas cosas -cazar, jugar al ajedrez, construir torres con bloques- en general, cualquier cosa donde las actividades del agente puedan verse como un intento por alcanzar un fin o una meta específicos. Un caso extremadamente simple sería un torpedo autodirigido o un misil termodirigido. Estos moverán aletas direccionales y da­rán vueltas de modo tal de permanecer fijos sobre el blanco móvil. Pueden parecer ferozmente obstinados si uno de ellos va pisándonos los talones, pero en un momento de tranquili­dad no se nos ocurriría atribuirles una inteligencia verdadera, ya que tienen una única respuesta para cada acción evasiva, regulada directamente a la medida de la "desviación del blan­co del centro" por el sensor del misil. Estos sistemas son útiles para entender la conducta animal -los mosquitos apare?te­mente se dirigen, con igual simplicidad, a gradientes crecIen­tes de dióxido de carbono (exhalación)-- pero pretendemos de la IA más que la inteligencia del mosquito.

¿Qué ocurre en el caso en que una gama de posibles

159

a

respuestas a cualquier brecha percibida entre el estado actual y el estado a alcanzar es mucho mayor, y qué sucede si uná elección útil de entre aquellas respuestas requiere la resolu­ción de un problema por parte del agente? Esto se acerca más a la tarea de la inteligencia verdadera. Curiosamente, una variedad considerable de programas existentes pueden satis­facer esta condición y algunos de ellos producen una conducta compleja que, en un ser humano, se consideraría como muy inteligente.

Comenzando por los casos simples, consideremos el jue­go del ta-te-ti (figura 6.2), y consideremos los procedimientos que un ordenador explotaría para maximizar sus posibilida­des de ganar o por lo menos empatar con un contrincante. Suponiendo que el ordenador juega primero con las cruces, hay 9 movimientos posibles que podría hacer. Para cada uno de ellos hay 8 posibles contramovimientos para el que juega con los círculos. Y para cada uno de éstos, hay 7 posibles respuestas del ordenador. Y así sucesivamente. Según el cálculo más simple hay 9 X 8 X 7 X ... X 2 (= 9! = 362.880) maneras diferentes de llenar el tablero. (Hay un poco menos de juegos completos, ya que el juego termina cuando se colo­can tres alineados, y antes que la matriz esté completa.) Podemos representar estas posibilidades como un árbol de probabilidades (figura 6.3).

2 )

4 > 6

7 8 9

Figura 6. 2

160

Este diagrama es demasiado grande como para hacerlo completo en una página, pero no lo es como para que un ordenador programado adecuadamente analice rápidamente cada rama y vea si termina en victoria, derrota o empate para las cruces. Esta información puede informar su elección de los movimientos en cada etapa del juego. Digamos que cualquier rama del árbol que enfrentan las cruces es una "mala rama" si en el movimiento siguiente el jugador de los círculos tiene un movimiento que termina la partida obteniendo la victoria. Y también digamos que cualquier rama que enfrentan las cru­ces también es una mala rama si en el movimiento siguiente el jugador de los círculos tiene un movimiento que dejará a las cruces enfrentadas solamente a malas ramas. Con esta defini­ción recursiva e identificando primero las malas ramas termi­nales, el ordenador podrá revisar todo el árbol e identificar todas las malas ramas. Si también lo programamos como para que en cada etapa del juego real nunca elijá una de las malas ramas que ha identificado, y siempre elija un movimiento ganador y no de empate, entonces ¡el ordenador nunca perde­rá el partido! Lo máximo que podemos esperar es empatar y dos ordenadores así programados empatarán todos los parti­dos entre sí.

Comianz;o

Movimiento 1 (de :1[)

• Movimiento 11 (de O)

Movbnlen\o 1Il (de X)

Movimiento IV (de O)

• etc.

etc.

Figura 6.3

161

Para ilustrar brevemente estos puntos, consideremos el partidoX-5, 0-9,X-8, 0-2,X-7, 0-3,X-6, O-l. y comencemos a jugar después del movimiento IV, con la matriz de la figura 6.4.

I 2 , O

• , • X

7

'X 'o Figura 6.4

El lector podrá jugar en los últimos cuatro movimientos y presenciar la derrota de las cruces. Si ahora miramos el sector del árbol que se extiende desde el movimiento IV de los círculos (figura 6.5) podremos ver por qué las cruces no tendrían que haber elegido el cuadro 7 en el movimiento V. Desde allí los círculos tienen un movimiento (al cuadro 3) que deja a las cruces únicamente frente a ramas malas. Las cruces deberán elegir 1, 40 6 en el movimiento VII y los tres cuadros dejan a los círculos en una posición de elección ganadora en el siguiente movimiento. Entonces las tres son ramas malas. Y por lo tanto, la rama de las cruces al cuadro 7 en el movimiento V también es una mala rama porque permite que los círculos, en el movi­miento siguiente, dejen a las cruces frente a todas ramas ma­las. En vista de esto, podemos apreciar que las cruces no debe­

. rían ir al 7 en el movimiento V. Nuestro ordenador programado también lo ve, entonces evitará el error recién analizado. Y todos los demás, cualquiera sea su situación en el árbol.

Así, estamos en presencia de un caso en el que la máqui­na programada tiene una meta (ganar o por lo menos empa­tar), una gama de posibles respuestas para cada circunstancia en la que se encuentre, y un procedimiento para resolver, en cada etapa, el problema para el que esté mejor capacitada para lograr di.cha meta. (Si dos o más son igualmente buenas,

162

entonces podemos decirle que elija la primera en la lista o "lanzar una moneda" con alguna subrutina aleatoria.)

La particular estrategia descripta es un ejemplo de lo que se denomina el método de fuerza bruta para la resolución de problemas: a partir de la descripción básica del problema, el ordenador crea un drbol de basqueda que abarca todas las posibilidades pertinentes y realiza una exhaustiva búsqueda en la rama o ramas que constituyen una solución. Esto se denomina una previsión exhaustiva. Para problemas que tie­nen una solución (no todos la tienen), este método funciona perfectamente, dado que existe suficiente "fuerza" disponible. Constituye un procedimiento eficaz o un algoritmo para iden­tificar los movimientos más convenientes.

Movimiento V (d.lI:)

,",nvimiento VI (de O)

Movimiento VII <de Xl

1, 4, 6: Todaa ramal malaa

Movimiento VIJI (de O)

Movimiento IX (de Xl

Figura 6. 5

/ /

o O

~ f • Empate

/' (de la fi¡urll 6.3) /

Empate

''Fuerza" aquí significa velocidad y capacidad de memoria por parte de la máquina: fuerza suficiente para construir y

163

buscar el árbol pertinente. Desafortunadrupente, muchos de los problemas que la inteligencia verdadera enfrenta abarcan árboles de búsqueda que superan el alcance de las máquinas factibles y el método de la fuerza bruta. Hasta para el ta-te-ti, la estrategia específica descripta requiere alta velocidad y una memoria amplia. Y para juegos más exigentes, el método enseguida resulta inoperable.

Consideremos el ajedrez. Sin duda, una exigencia, pero no más que los '1uegos" sociales que juegan rutinariamente los seres humanos. En promedio, un jugador en cualquier etapa de una partida de ajedrez debe elegir entre aproxima­damente 30 jugadas posibles. Y cada movimiento hará posi­bles unas 30 respuestas de su oponente. Entonces solamente los dos primeros movimientos son un par elegido entre unos 302 (= 30 X 30 = 900) pares posibles. Si una partida promedio consta de aproximadamente 40 movimientos de cada jugador, para un total de 80, entonces la cantidad de partidas promedio posibles y diferentes será de 30 a la 80" potencia, o cerca de 10"8. Entonces la partida pertinente tendrá aproximadam-en­te 1O"8 ramas. Es un número absurdamente grande. Un mi­llón de ordenadores que analicen cada uno un millón de ramas por segundo aún tardarían 10100 (la unidad seguida de 100 ce­ros) años para analizar todo el árbol. Evidentemente, este método parajugar al ajedrez no funcionaría.

El problema con que nos encontramos aquí es un ejemplo de explosión combinatoria y significa que un programa para jugar al ajedrez no puede tener la esperanza de utilizar un algoritmo para identificar los movimientos posibles con mejo­res garantías de ganar. Debe volver a los procedimientos heurt8ticos. Es decir, debe utilizar los métodos "prácticos" para distinguir los movimientos meramente prometedores de los que no lo son tanto. Consideremos cómo puede funcionar esto. Si escribimos el programa de modo que el ordenador no trate de prever 40 movimientos, sino sólo 4 (= 2 para cada jugador) en cualquier etapa de la partida, entonces el árbol de búsqueda pertinente tendrá sólo 30' u 800.000 ramas. Este número es suficientemente pequeño como para que las máqui­nas existentes busquen en un tiempo razonable. Pero ¿qué

164

busca si no puede buscar la victoria como fin último? Aquí tratamos de proporcionar al ordenador metas intermedias que: a) pueda identificar efectivamente y b) ofrezcan alguna probabilidad de que si se logran repetidamente, entonces la victoria última también sea alcanzada.

Por ejemplo, podemos asignar números a la pérdida de determinadas piezas, en proporción a su importancia general; y el ordenador puede asignar un valor positivo y negativo a cualquier intercambio potencial de piezas con un oponente, según quién pierda y cuánto. El ordenador también puede guiar su elección de movimientos asignando un determinado valor positivo al hecho de tener sus piezas "en control del centro" (= tener las piezas en una posición para capturar en el sector central del tablero). También puede asignarse un valor a los movimientos potenciales que ataquen al rey del oponente, ya que es una condición necesaria para la victoria. y así sucesivamente.

Podemos escribir el programa de modo que el ordenador sume estos factores, para cada movimiento considerado, y luego elija el que tenga el mayor valor agregado. De esta manera, al menos podemos hacer que el ordenador juegue una partida de ajedrez reconocible, lo que resulta imposible según el método de la fuerza bruta, ya que la máquina se paraliza frente a la inmensidad de la tarea.

El hecho es que se han escrito programas para jugar al ajedrez utilizando la heurística, como este y otros más inge­niosos, que derrotarían a cualquiera excepto a aquellos pocos que ya han llegado al nivel de expertos, e incluso en este caso jugarían bastante bien. (En los últimos años han salido a la venta programas más simples, pero aun notables, incorpora­dos en "tableros de ajedrez electrónicos". La lA ha entrado en el mercado.) Esta conducta intrincadamente afinada es una notable demostración, incluso según los criterios humanos de la inteligencia. La mirada previsora guiada por la heurística quizá no sea infalible, pero sí puede ser muy poderosa.

Otra clase de programas que simulan la resolución de problemas y la conducta intencional representa una estrategia diferente de la previsión exhaustiva y de la previsión parcial guiada por la heurística. En lugar de dirigirse hacia una meta

165

considerando primero todos los movimientos posibles dentro de la potencia del ordenador, y luego cada movimiento posible a partir de allí, y así sucesivamente, con la esperanza de que alguna rama de este árbol en explosión finalmente haga con­tacto con la meta, el ordenador puede comenzar por el otro extremo del problema. Puede comenzar considerando todas las circunstancias posibles que pueda, en las que un movimiento más de su parte asegure su meta. No es necesario que haya muchas de ellas ~uizá sólo una-o Entonces estas posibles circunstancias se convierten en metas intermedias y el ordena­dor puede repetir su búsqueda de las maneras posibles de asegurar una o más de ellas. Este proceso se repite hasta que el ordenador finalmente identifica alguna circunstancia que ten­ga el poder de producir inmediatamente. Entonces el ordenador hace su jugada y, en orden inverso, todas las demás de la cadena de medios y fines que ha construido, logrando así al­canzar su meta original y última. Esta estrategia no es necesa­riamente siempre más eficiente que la de la previsión exhaus­tiva, pero si hay muchas jugadas que el ordenador podría hacer al principio, y sólo muy pocas que conducen al logro de la meta, este método puede resultar mucho más veloz.

El programa STRIPS (Stanford Research Institute Problem Solver) es capaz de realizar esta estrategia. Un robot móvil con el nombre de Shakey dirigido a control remoto por = ordenador alimentado con el programa STRIPS podía recibir la orden de lograr diversas metas, que debía alcanzar en un ambiente de varias habitaciones conectadas por puertas y llenas de varias cajas grandes. Dada la información con res­pecto a la disposición de las habitaciones, las puertas comuni­cantes, las cajas y el propio Shakey, y dada una meta como "Hacer que la caja de la habitación 3 sea colocada en la habitación 7", Shakey (o mejor dicho STRIPS) crearía y reali­zaría una secuencia de conductas que lograrían esto.

Aprendizaje

También debemos observar dos maneras en que progra­mas de la clase analizada pueden demostrar el aprendizaje.

166

La primera y más sencilla es sólo una cuestión de conservar, en la memoria, soluciones ya logradas. Cuando se está nue­vamente frente al mismo problema, puede llamarse instantá­neamente a la solución que está en la memoria y utilizarse directamente, en lugar de resolverlo otra vez laboriosamente cada vez. Una lección, una vez aprendida, es recordada. La conducta intencional que era vacilante al principio puede convertirse así en fluida y decidida.

La segunda manera puede ejemplificarse con el caso de un programa de ajedrez guiado por la heurística. Si escribi­mos un programa de modo que el ordenador guarde un regis­tro de su cociente victoria/derrota, podemos hacer que pruebe nuevas mediciones para sus diversas heurísticas si se en­cuentra perdiendo en una proporción inaceptable. Suponga­mos, por ejemplo, que la heurística "ataque al rey de su oponente" tiene gran peso, inicialmente,'y que la máquina pierde partidas regularmente debido a repetidos ataques kamikazes al rey enemigo. Luego de observar sus derrotas, el ordenador podría tratar de ajustar cada una de sus medicio­nes por vez, para ver si obtiene un mejor cociente victoria/ derrota. En el largo plazo, la heurística de peso excesivo sería medida nuevamente hacia abajo, y la calidad del juego de la máquina podría mejorar. El ordenador aprende a hacer un juego más fuerte, de un modo como usted o yo lo haríamos.

Evidentemente estas dos estrategias reproducirán algo de lo que comúnmente llamamos aprendizaje. Sin embargo, el aprendizaje es mucho más que el mero almacenamiento de información adquirida,. En las dos estrategias descriptas, la máquina representa la información "aprendida" dentro del esquema de conceptos y categorías provisto por su programa original. En ninguno de los dos casos la máquina genera nuevos conceptos y categorías con los cuales analizar y mane­jar la información que ingresa. Puede manipular las catego­rías anteriores y formar una variedad de combinaciones de ellas, pero la innovación conceptual está limitada a la activi­dad combinatoria dentro del marco de referencia original.

Esta es una forma extremadamente conservadora de aprendizaje, como podemos apreciar cuando consideramos el

167

l

aprendizaje de un niño en sus dos primeros años de vida o de la comunidad científica en el curso de un siglo. El cambio conceptual en gran escala -la generación de un marco de categorías genuinamente nuevo que desplace totalmente al viej~ es característico de ambos procesos. No podemos pre­tender tener resuelto el problema del aprendizaje hasta que hayamos resuelto el del cambio conceptual.

Esta clase más profunda de aprendizaje es mucho más difícil de simular o recrear que las clases más simples anali­zadas anteriormente, pues requerirá que podamos represen­tar de alguna manera el conocimiento y la información en un

. qivel por debajo del de los conceptos lingüísticamente eX'presables, un nivel cuyos elementos pueden combinarse o articularse de algún modo para formar un concepto cualquiera de la amplia gama de alternativas posibles. Tal nivel de re­presentación también debe ser sensible y habrá de dar res­puesta al desempeño ulterior del sistema general, de modo que los conceptos exitosos puedan distinguirse de los inútiles y confusos.

Este problema pareció casi insuperable hasta hace muy poco. Felizmente nuevos métodos para la representación y manejo de grandes cantidades de información han producido recientemente algunos "procedimientos de aprendizaje" muy notables que reciben mucha atención en la actualidad. Sin

. embargo, están diseñados para ser implementados, al menos teóricamente, en máquinas de calcular de construcción muy diferente de las descriptas algunas páginas atrás, y descri­birlas a esta altura sería una digresión. Aparecerán en el capítulo 7.

Visión

Si un ordenador adecuadamente programado estuviera equipado con sensores ópticos, ¿podría ver? En un nivel simple de procesamiento de información óptica, la r~spuesta eviden­temente es sí. Las editoriales con frecuencia utilizan este sistema para la composición de un libro. El texto original del

168

autor es "leído" por un sistema que examina cada carácter en secuencia y registra su identidad en una cinta. Otro ordena­dor utiliza esa cinta en la máquina de composición tipográfica. Los analizadores de reconocimiento de caracteres pueden ser muy simples. Un sistema de lentes proyecta una imagen en blanco y negro del carácter en una grilla de elementos fotosensibles (figura 6.6). La imagen del carácter ocupa am­pliamente determinados cuadros de la grilla, y el dispositivo analizador envía una lista codificada de todos ellos al ordena­dor. Entonces el programa pertinente permite que el ordena­dor compare esa lista con todas las listas estándar que tiene en su memoria, una para cada carácter estándar. Separa la lista almacenada que coincide con la recibida en la mayor cantidad de puntos, e identifica así el carácter analizado. Por supuesto, todo esto se realiza a la velocidad de la luz.

Evidentemente este sistema es inflexible y puede ser engañado con facilidad. Fuentes de tipos inusuales produci­rán interpretaciones erróneas crónicas. Y si se alimenta el sistema con imágenes de rostros o de animales, hará lo mismo que antes, identificándolos como letras y números divers~s. Del mismo modo, estos defectos son análogos a las caractens­ticas obvias de nuestro propio sistema visual. Nosotros tam­bién tendemos a interpretar lo que vemos en términos de categorías conocidas o esperadas y con frecuencia hasta no notamos lo nuevo a no ser que estemos especialmente atentos.

a bcd e

2

'1-~++-4-4

5 I-I-I-c

Figura 6. 6

2c,2d

3b,3e 4e

5d

6e

7b, 7e, 7d, 7e

169

Sin embargo, el reconocimiento de caracteres representa sólo los comienzos rudimentarios de la visión de una máquina, no su pináculo. Consideremos el problema más general de identificar y localizar objetos en el espacio tridimensional, utilizando sólo como datos lo que se presenta en un conjunto bidimensional de diversos puntos iluminados: esto se deno­mina matriz de intensidad, y la imagen de televisión consti­tuye un ejemplo familiar. Es justamente un caso extravagante de nuestra anterior grilla para el reconocimiento de caracte­res, excepto que tiene muchos más elementos y valores gra­duados para cada uno.

Usted y yo tenemos retinas que funcionan como matrices de intensidad, y podemos resolver los problemas pertinentes con facilidad cuando vemos disposiciones específicas de obje­tos sobre la fuerza de matrices de intensidad específicas de retina. N o somos conscientes del "problema" de la interpreta­ción ni del procesamiento que lo soluciona en nuestro interior. Pero esta capacidad es un verdadero desafio para el progra­mador, ya que refleja gran inteligencia por parte del sistema visual.

Esto se debe a que las representaciones visuales siempre son interminablemente ambiguas. Muchas circunstancias ex­ternas diferentes son estrictamente consistentes con cual­quier matriz de intensidad bidimensional. Es decir que cir­cunstancias diferentes pueden "parecer" aproximadamente o incluso exactamente iguales, como una moneda común, levemente inclinada, parece una moneda realmente elíptica. Cualquier sistema visual debe poder distinguir sin ambigüe­dad escenas de un modo razonable, para encontrar la inter­pretación más probable provistos los datos. También algunas escenas son más complicadas que otras: quizá la interpreta­ción "correcta" requiera conceptos que el sistema ni siquiera posee. Esto indica que la visión, como la inteligencia, viene en grados. Afortunadamente esto nos permite estudiar primero los casos simples.

Consideremos una matriz de intensidad específica: pen­semos en una imagen de televisión de varias cajas grandes apiladas en un montón. Cambios repentinos en la intensidad

170

de la luz reflejada marcan los bordes de cada caja y un pro¡ra· ma sensible a estos cambios puede construir a partir de ello. un esquema lineal de las diversas cajas y sus posiciones rela­tivas. A partir de aquí, un programa sensible a los modos en que los bordes se encuentran para formar las esquinas /lados/ volúmenes enteros (como el programa VER de Guzmán) puede adivinar correctamente cuántas cajas hay y en qué posiciones relativas. Estos programas funcionan bien para medios muy artificiales que contienen solamente sólidos de lados planos, pero quedan muchas ambigüedades después de su resolución y se desmoronan completamente cuando se les presenta una playa rocosa o una hoya llena de hojas.

Programas más recientes utilizan la información conteni­da en cambios continuos de intensidad -pensemos en el modo en que la luz se distribuye sobre una esfera o un cilindro­para respaldar hipótesis sobre una variedad de objetos mucho mayor. También se está analizando la estereopsia artificial. Las diferencias sutiles entre un par de matrices de intensidad bidimensionales tomadas de dos posiciones ligeramente dife­rentes (como las imágenes en nuestras retinas derecha e iz­quierda) contienen información potencialmente decisiva sobre los contornos y posiciones espaciales relativas de elementos en la escena. Ya se ha escrito un algoritmo que recuperará la información tridimensional oculta en el par estéreo que se observa en la figura 6.7.

Coloque un sobre de tamaño comercial verticalmente en­tre los dos cuadrados y centre la nariz y la frente sobre el borde del sobre de modo que cada ojo vea solamente una imagen. O mejor aún, haga un par de binoculares de papel con dos hojas de papel de carta enrolladas formando dos tubos largos. Sosténgalos paralelos, con el extremo de cada uno cerca de la página, de manera que cada ojo mire directamente por el tubo y sólo vea un cuadrado centrado en la abertura circular. Deje que su sistema visual en unos minutos una las imágenes'izquierda y derecha en una sola imagen claramente enfocada (tenga paciencia) y podrá ver cómo su propio algoritmo de gran habilidad encuentra la misma información.

Un problema crónico con la visión de la máquina es que,

171

como l!l vis!ón misma implica inteligencia, y como lo que cualqUIer cnatura puede ver en una situación dada depende en gran parte de qué conceptos ya posee y de qué conocimien­tos ya tiene, la creación de sistemas visuales artificiales de alta potencia depende en general de la creación de inteligencia de alta potencia y de la creación de sistemas que posean bases de conocimientos muy amplias para dar una dirección a su procesamiento perceptual. Esto no es sorprendente ni especialmente decepcionante, pero ilustra las limitaciones de un método puramente gradual para la simulación de faculta­des cognitivas.

izquierda derecha

~igura 6.? Reproduci.da con autorización de D. Marr y T. Poggio) CooperatIve Computatlon of Stereo Disparity~, Science, VD}. 194, 1976,

págs. 283-286. Copyright 1976 by the MAS.

Manejo del lenguaje natural

Otra área en la que la falta de un conocimiento verdade­ramente amplio ha frustrado a los investigadores es el área de la comprensión y producción del lenguaje natural. Por muchos motivos, es deseable poder conversar con ordenadores en in­glés corriente, yel manejo del lenguaje natural es un elemento cent~al de la inteligencia humana en cualquier caso, digno de ser Simulado por derecho propio. Los conocimientos estructu-

172

rales por parte de los lingüistas y la astucia informática por parte de los programadores han producido programas que manej an las estructuras sintácticas del inglés bastante bien, incluso las más complicadas; pero la parte semántica del pro­blema ha sido más difícil de tratar. Casualmente se puede hacer mucho manejando solamente la sintaxis. Consideremos uno de los famosos primeros programas de Weizenbaum, ELlZA, que simula a un psicoterapeuta con el que el "paciente" conversa a través de la máquina de escribir. El siguiente es un extracto de dicho intercambio, con las respuestas del ordena­dor en letras mayúsculas (de Weizenbaum, 1976):

Los hombres son todos iguales. DE QUE MODO Siempre nos están molestando por una cosa u otra. PUEDE USTED DAR UN EJEMPLO ESPECIFICO Bueno, mi novio me hizo venir aquí. SU NOVIO LA HI20 VENIR AQUI Dice que estoy deprimida la mayor parte del tiempo. LAMENTO ESCUCHAR QUE ESTA DEPRIMIDA Es verdad. Soy desdichada. CREE USTED QUE VENIR AQUI LA AYUDARA A NO SER DES. DICHADA Lo que sí parece seguro es que necesito ayuda. QUE SIGNIFICARlA PARA USTED SI RECIBIERA ALGUNA AYUDA Quizá podría aprender a llevarme bien con mi madre. CUENTEME MAS ACERCA DE SU FAMILIA Mi madre me cuida. QUIEN MAS EN SU FAMILIA LA CUIDA Mi padre. SU PADRE Usted es como mi padre en ciertos aspectos. QUE SEMEJANZA VE Usted no es muy agresivo, pero creo que usted no quiere que yo me dé cuenta de ello. QUE LE HACE PENSAR QUE NO SOY MUY AGRESIVO No discute conmigo.

173

POR QUE CREE USTED QUE NO DISCUTO CON USTED Usted me teme. LE AGRADA CREER QUE LE TEMO Mi padre le teme a todo el mundo. QUE MAS SE LE OCURRE CUANDO PIENSA EN SU PADRE Pendenciero. TIENE ESO ALGO QUE VER CON EL HECHO DE QUE SU NOVIO LA HIZO VENIR AQUI

En esta conversación, el ordenador, con el programa ELIZA, da la extraña sensación de que comprende verdadera­mente. Pero en realidad no es así. Las respuestas en gran parte están construidas a partir de las propias oraciones del paciente, por transformaciones simples, y a partir de un re­pertorio de formas estándar de preguntas hechas a medida para cada palabra clave del paciente ("deprimida", "como", y así sucesivamente). ELIZAno tiene idea de lo que es un padre, un hermano o la infelicidad. No tiene el concepto de estas cosas, no tiene comprensión de lo que significan estas pala­bras. Lo que demuestra qué comprensión increíblemente pe­queña se requiere para participar adecuadamente en muchas formas corrientes de conversación.

El programa de Winograd, SHRDLU, es mucho más im­presionante. Maneja tanto la semántica como la sintaxis y manipula los elementos en el mundo de bloques (simulado), que es todo lo que conoce. Su sintaxis es muy sofisticada y el programa incluye cierta información sistemática sobre las propiedades de los cuerpos que habitan su mundo. En forma muy rudimentaria sabe, un poquito, sobre qué está hablando. Como resultado puede hacer deducciones útiles y conjeturar relaciones reales, aptitud que se refleja en las conversaciones más complejas y sutilmente focalizadas que podemos mante­ner con él. Sin embargo, las conversaciones deben restringirse al mundo de bloques y a aquellos estrechos aspectos que abarca. SHRDLU no tiene una base de conocimientos vacía, pero su base es aun menos que microscópica comparada con la nuestra.

Brevemente, el problema es que para entender el lengua-

174

je natural en el nivel humano se requiere un conocimiento general del mundo comparable al que un ser humano posee (recordemos la teoría holística del significado, la "teoría reticular", analizada en el capítulo 3.3), y aún no hemos re­suelto el problema de cómo representar y almacenar una base de conocimientos tan grande de un modo que permita el acceso y el manejo. Un problema más profundo se relaciona con esto. Aún no hemos resuelto el problema de cómo pueden ad­quirirse tales cantidades globales de conocimiento. Cómo se generan los marcos conceptuales, cómo se modifican y l\lego se desechan en favor de marcos más nuevos y sofisticados; có­mo esos marcos se evalúan como reveladores o engañosos, como verdaderos o falsos; nada de esto se entiende bien. Y la lA se ha ocupado muy poco.

Estos problemas son de competencia tradicional de la lógica inductiva, la epistemología y la teoría semántica, para los filósofos. y también son de competencia de la psicología evolutiva y la teoría del aprendizaje, para los psicólogos. Pa­rece ser necesario un ataque colectivo, pues los fenómenos a entender son tan complicados y difíciles como cualquier otro que hayamos enfrentado. Sin duda aquí también se requiere paciencia, pues no podemos esperar crear en sólo unas cu~­tas décadas lo que le llevó al proceso de la evolución tres mli millones de años.

Autoconciencia

El lector habrá observado que ninguna de las simulacio­nes que se analizaron aquí se refiere al tema de la auto­conciencia. Quizá los sensores visuales y táctiles, más una programación imaginativa, proporcionen a un ordenador cierta "conciencia" del mundo exterior, pero prometen poco y nada con respecto a la conciencia de sí. Esto no debería sor­prendernos. Si la autoconciencia estriba .e~ la compren~ión introspectiva de los propios procesos COgnltivOS de alto mvel, entonces casi no tiene sentido tratar de simular la compren­si6n de dichos procesos hasta que ellos mismos hayan sido

175

simulados exitosamente. Quizá pueda postergarse un ataque en gran escala sobre la autopercepción hasta que la lA haya construido algunos "yo" realmente dignos de percepción re­flexiva explícita. Sin embargo, ya resultó necesario un trabajo preliminar. La propiocepción -la conciencia de la posición de las propias extremidades en el espacio- es una forma de autopercepción y por razones obvias el desarrollo de brazos de robot controlados por ordenadores ha requerido que se le den al ordenador algunos medios sistemáticos de sentir la

. posición y el movimiento de su propio brazo y de representar esta información de un modo que le sea útil en forma perma­nente. Quizás esto ya constituye una forma primitiva e iden­tificada de autoconciencia.

Finalmente, no debemos permitir que el término "simula­ción" nos lleve a desechar impulsivamente las perspectivas de este enfoque general para el problema de la inteligencia cons­ciente, pues la simulación estudiada puede ser simulación funcional en el sentido más fuerte posible. Según aquellos teóricos de la lA que toman el sistema computacional moderno como modelo, no tiene por qué haber diferencia entre nuestros procedimientos computacionales y los que simula una máqui­na, ninguna diferencia más allá de la sustancia física concreta que sustenta esas actividades. En el ser humano es material orgánico; en el ordenador serían metales y semiconductores. Pero esta diferencia no es más pertinente para el tema de la inteligencia consciente que una diferencia en el tipo de sangre o el color de la piel o la química del metabolismo, según afirma el teórico de la lA (funcionallsta). Si las máquinas llegan a simular todas nuestras actividades cognitivas internas, hasta el último detalle computacional, negarles la categoría de per­sonas sería nada más que una nueva forma de racismo.

Algunos problemas crónicos

En el apartado precedente se ha hecho una evaluación optimista de las perspectivas abstractas de la lA, pero hayal­gunas dificultades recurrentes que han frustrado el programa

176

de investigación de la lA tradicional o de la "escritura de pro­gramas", y nos corresponde reconocerlas y reflexionar acerca de su importancia.

Un hecho confuso acerca de los resultados de la investi­gación de la lA es que hay ciertas clases de tareas, como la reducción de números, la demostración de teoremas y la bús­queda en listas, que los ordenadores corrientes hacen muy velozmente y bien, mientras que el cerebro humano las realiza lentamente y comparativamente mal. Por otro lado, hay otras clases de tareas, como el reconocimiento facial, la compren­sión de escenas, la coordinación sensoriomotora y el aprendi­zaje, que los seres humanos y otros animales hacen veloz­mente y bien, pero que incluso los ordenadores más rápidos con los programas más sofisticados hacen lentamente y bas­tante mal.

Más específicamente, usted puede reconocer una fotogra­fía de su mejor amigo, en cualquiera de una amplia variedad de poses, en menos de medio segundo. Pero esta capacidad de reconocimiento todavía se les escapa a los mejores programas existentes de reconocimiento de modelos, e incluso versiones muy simplificadas de problemas de reconocimiento como éste llevan minutos de frenético procesamiento en un ordenador, o más tiempo, antes de encontrar una solución al problema.

Como segundo ejemplo, podemos aprender a devolver una pelota de tenis en no más de diez o quince intentos. Pero la coordinación sensoriomotora requerida para guiar la con­ducta de un sistema óseo y muscular complejo como el del cuerpo humano, en tiempo real, todavía supera la capacidad de la lA actual. Y la idea de un programa que pueda aprender a que un sistema así efectúe esos tiros de tenis, y que lo haga en menos de quince intentos, es una posibilidad aun más remota.

Un diagnóstico reciente

¿Por qué el cerebro es tanto mejor que las máquinas más hábilmente programadas para realizar algunas tareas conoci-

177

das y tanto peor que los ordenadores más simples para reali­zar otras? La respuesta parecería estar en los tipos completa­mente diferentes de estructura física y computacional que ponen de manifiesto las dos clases de sistemas de procesa­miento de datos. Aunque los ordenadores corrientes son in­dudablemente máquinas de "propósitos generales", en el sen­tido de que pueden simular cualquier sistema posible de pro­cesamiento de datos, hay muchas clases de sistemas cuya simulación requiere enormes cantidades de actividad que lle­va mucho tiempo por parte de la unidad central de procesa­mien to de un ordenador corriente. Los cerebros biológicos parecen ser esos sistemas muy difíciles de simular. En princi­pio son simulables, pero sólo a expensas de establecer una simulación informática que termine resolviendo el problema pertinente o realizando las actividades deseadas a una veloci­dad mucho menor que el cerebro -quizá millones o miles de millones de veces menor-o

¿Qué explica una diferencia de velocidades tan grande? El problema parecería radicar en el "atolladero" que se pro­duce en el procesamiento realizado por la VCP en la máquina corriente de propósitos generales. La VCP de esas máquinas es típicamente un trabajador muy activo que funciona en el orden de un millón (106) de cálculos distintos por segundo. Considerado por sí solo, es impresionante. Pero por más rápi­damente que funcione, sólo puede hacer un cálculo por vez, y muchos problemas, como el aprendizaje o el reconocimiento descriptos antes, requieren mucho más que mil millones (109

)

de pasos computacionales diferentes para su resolución. Como cada uno debe ser realizado por la VCP, uno tras otro de un modo seriado cuidadosamente organizado, es evidente que le llevaría a la máquina por lo menos (l09 /106 =) 1000 segundos, o más de un cuarto de hora, resolver dicho problema. Es un tiempo prolongado, según el criterio biológico. Vn ratón que no pueda reconocer a un gato más velozmente que eso termi­nará sirviéndole de almuerzo.

Contrariamente, el cerebro no tiene una VCP en la que están confinados todos los cálculos y por la que debe pasar toda la información. Los cerebros parecen tener una estructu-

178

ra física y computacional completamente diferente de las típi­cas máquinas de calcular, una estructura que permite realizar simultáneamente miles de millones de cálculos simples. Como cada uno de ellos es muy simple, es realizado velozmente por sólo. una de las miles de millones de células distintas que contIene el cerebro y se efectúa todo de modo tal que el resul­tado de salida colectivo representa la solución terminada del problema presentado.

Aquí no se produce un atolladero computacional a través del cual deben pasar con dificultad todos los trozos de infor­mación pertinentes, uno tras otro, en fila. Como cada célula cerebral contribuye simultáneamente con un solo cálculo de todo el proceso, toda la operación puede completarse en un único paso por la red pertinente de células cerebrales. Y ese paso no necesita más de 1/100 de segundo, ya que pasa por todas las células del sistema exactamente al mismo tiempo. Así es como el cerebro, hasta el de un ratón, puede realizar complicadas tareas de reconocimiento en un instante.

Este estilo diferente de procesamiento de datos se deno­mina procesamiento en paralelo, en contraste con el procesa­miento en serie que efectúan las máquinas de calcular co­rrientes. Lo que proporciona verdaderamente es una enorme ventaja en la velocidad con que pueden resolverse algunas clases de problemas computacionalmente intensivos. Esta ventaja de la velocidad ha convertido al procesamiento en paralelo en el foco de atención reciente entre los investigado­res de la lA y de la ciencia cognitiva, pero la velocidad no es la única característica que lo favorece. Los procesadores en para­lelo tienen algunas propiedades computacionales muy intere­santes, como la persistencia funcional, aunque el sistema sea dañado, y la capacidad de generalizar el conocimiento adqui­rido a nuevas situaciones. Todo esto parece muy atrayente, especialmente porque la arquitectura de estos sistemas es más similar a la del cerebro que la arquitectura en serie de las máquinas de calcular corrientes.

Este nuevo estilo de investigación en lA y ciencia cognitiva se denomina conexionismo o investigación POPo El primer término se acuñó para indicar que los cálculos pueden

179

ser realizados no sólo por procesadores centrales sino también por el intrincado sistema de conexiones dentro del cual se une una gran cantidad de unidades de procesamiento extremada­mente simples. El segundo término son las siglas de "Proce­samiento de Distribución Paralela", expresión que connota la misma idea computacional. Algunas propiedades de estos sis­temas y algunos resultados de esta investigación serán anali­zados hacia el final del próximo capítulo. Como los sistemas PDP están inspirados biológicamente en cierta medida, será más conveniente estudiarlos luego de haber aprendido algo sobre la estructura del cerebro.

Lecturas complementarias

Boden, Margaret, ArtirlCiallnteUigence and Natural Man, Nueva York, Harvester Press,1977.

Dennett, Daniel, "'Artificial Intelligence 8S Philosophy and as Psychology", en PhÜ080plUcal Pe,..pecti"". on Artifici4l Intelli¡¡ence, en M. Ringle (comp.). New Jersey, Humanities Presa, 1979. Reproducido en Daniel Dennett. Brainstorms, Montgomery, VT, Bradford, 1978, Cambridge, MA, MIT Pre".

Winston, P. H. Y Brown, R. H.,Arti/kiallntelligence: An MIT Per8pective, vols. 1 y n, Cambridge, MA, MIT Pre", 1979.

Marr, D. Y Poggio. T., "Cooperative Computation of Stereo DisparitY', &ience, vol. 194,1976.

Dreyfus, Hubert, Wha.t Computers Can', Do: TM Limits of Arti(l.Cial Intelligence, edición corregida, Nueva York, Harper and Row, 1979. .

Haugeland, J., ArtifiCi4l InteUigence: The Very Idea, Cambridge, MA, MIT Pr ... , 1985.

Holland, J" Holyoak, K., Nisbett, R. y Thagard, P" Induction: Processes of Inference, Learning, and Discovery, Cambridge, MA, MIT Press, 1986.

Rumelhart, D. y McClelland, J .• Parallel Distributed Processing: ESBays in tM Microstructure ofCognition, Cambridge, MA, MIT Presa, 1986.

180

7

Neurociencia

1. Neuroanatomía: antecedentes evolutivos

Cerca de la superficie de los océanos de la Tierra, entre tres y cuatro mil millones de años atrás, el proceso de evolución puramente química provocado por el sol produjo algunas es­tructuras moleculares de autoduplicaci6n. A partir de los tro­citos moleculares en su medio inmediato, estas moléculas com­plejas podían catalizar una secuencia de reacciones en cadena que dieron como resultado copias exactas de sí mismas. Con respecto al logro de grandes poblaciones, la capacidad de autoduplicación es simplemente una ventaja explosiva. Sin embargo, el crecimiento de la población está limitado por la disponibilidad de los trocitos adecuados en la sopa molecular circundante y por las diversas fuerzas en el medio ambiente que tienden a quebrar la resistencia de estas heroicas estruc­turas antes de que puedan duplicarse. Por lo tanto, entre las moléculas rivales que se autoduplican, la ventaja competitiva la obtendrán aquellas estructuras moleculares específicas que inducen, no sólo su propia duplicación, sino también la forma­ción de estructuras que las protejan de depredaciones externas, y la formación de mecanismos que producen las partes moleculares necesarias para la manipulación química de las moléculas del medio que son inutilizables directamente.

La célula es el ejemplo triunfante de esta solución. Tiene una membrana externa para proteger las intrincadas estruc-

181